2026年10月23日,Jack Dorsey(推特联合创始人、Block CEO)在X上发布了一条消息:Block做了Dessa,号称”最有真实感的全双工语音模型”。它最不一样的地方是——训练过程里一个文字都没有,直接从人类对话录音学说话,推理还能在一台MacBook Pro M4 Max上本地跑,训练只用了1个英伟达GB200 NVL72机架。

但我得先泼盆冷水:截至发稿,Dessa没有论文、没有权重、没有API、没有价格、没有任何基准分数,官方公开的”证据”只有6段录音(时长1分52秒到4分57秒)。更值得看的是第三方评测里那些不那么好听的部分——有一处它把说话人认成了”罗纳尔多”,而它的语气毫无犹豫。

所以这篇文章的重点不是”它有多强”,而是”它到底说了什么、没说什么,以及纯语音这条路线的真实代价”。

Dessa是什么?一句话:把语音链路的中间层拆掉

先讲清楚现在主流语音AI是怎么工作的,这决定了Dessa的意义。

主流方案是一条三级流水线:

  1. ASR语音转文字:把你的声音波纹转成文字
  2. 大语言模型:读这段文字,生成回复的文字
  3. TTS文字转语音:把回复念出来

问题出在第1步到第2步之间。语音里承载情绪、语气、停顿、叹气、讽刺、哽咽、重音位置的信息,在”波纹转成字符串”这一步就被丢弃了。同一句”我没事”,正常说和哭着说,转出来的文字完全一样,但意思天差地别。

Block官方在发布页上写得很直白:

“和现在的语音AI交互,体感就是很烂。它把你的声音转成文字,扔掉了大量文字根本承载不了的信息。世界上最强大的AI都听不出来你此刻是什么感受。我们觉得这很荒谬,会带来更差的体验,而且可能是危险的。”

Dessa的架构是音频进、音频出,中间不经过任何文本层。官方说法是,它连”语言”本身都是从声音里学来的。

官网地址:(https://block.xyz/dessa)

全双工到底改变了什么?关键在”你还没说完它就能接话”

这是我觉得最被低估的一点。

全双工(full-duplex)意味着模型一边说一边听。这带来三个具体行为变化:

  • 能插话:不用等你说完,可以在句子中间打断
  • 能”嗯嗯”:用简短的语气词做backchanneling(伴随性回应),官方举例是”yeah!”、”got it!”、”ooh”,这是真人对话里最关键的节奏感
  • 能接住你的停顿:你卡壳的时候它会自然补位,而不是冷冰冰等你

为什么这件事这么难?因为传统流水线被迫采用”轮流发言”模式。系统必须先判断”用户说完了”才能往下走,这个判断(endpointing)本身就要插入一段静音缓冲。参照量级在这儿:已经有论文的Moshi(Kyutai,2024)报告的理论延迟160毫秒、实际延迟200毫秒,这基本就是学术界公认的”人类换手间隔”量级。Dessa官方只说了”快于实时”,没给任何具体数字。

训练:只用1个机架,没有文本

这是整个发布里最硬的一条主张,也是最需要你带着怀疑去读的一条。

官方原话是”我们只用人类对话、从零训练了Dessa”(Sounds! No text, no pretrained models)。具体做法是:

  • 训练数据:只有人类对话录音,没有文本语料,没有加载任何预训练权重
  • 训练算力:1个英伟达GB200 NVL72机架(72张GPU的机架级系统)
  • 运行硬件:MacBook Pro M4 Max及以上,本地推理,快于实时
  • 语言习得:Block称它从”比大语言模型少几百倍的词”里学会了语言

Block自己把这个规模称作”小”(”really really small”),Dorsey在X上补刀:”小到能在你的MacBook上跑”。按前沿实验室的标准,1个机架确实小。

这里有个值得玩味的技术张力:一个语音词消耗的字节数是同样文字的成千上万倍(Block自己的说法是”thousands of times more bytes”)。所以”用几百倍的词学会语言”和”语音token比文字贵得多”这两件事是同时成立的。Block没有披露的是——这些录音到底有多少小时、覆盖哪些语言、说话人是谁、授权和知情同意怎么处理的。这恰恰是外部评估隐私、偏见、记忆风险时最需要的前置信息。

Block到底公开了什么、没公开什么(一张表说清楚)

我把这个发布页逐条核了一遍,整理成下面这张表。看第一列和第三列的落差,你就知道该怎么对待这个发布。

项目 Block的说法 是否给了具体数字
训练数据 仅人类对话语音,无文本、无预训练模型 给了(但未披露录音来源与授权)
训练算力 1个英伟达GB200 NVL72机架 给了
运行硬件 MacBook Pro M4 Max 或更高 给了
推理速度 “快于实时” 没有
训练用词量 “比大语言模型少几百倍” 没有
参数量 未公布(CoinDesk 报道确认未披露模型规模) 没有
音频时长 未公布 没有
基准测试 未公布 没有
公开发布日期 未公布,官方写”发布链接即将上线” 没有
论文、权重、API、许可证 均未公布 没有

换句话说,只有算力和硬件这两项带具体数字,其余全是定性描述。这在AI模型发布里是相当罕见的坦白程度。

还有几项”连提都没提”的空白,同样重要:支持哪些语言(Block把”能多高效地学会新语言”当成一个开放问题)、有没有水印、音频有没有合成标识、是否做了知情同意校验、能不能模仿某个具体的人。官方只说Dessa会”选择自己的声音和人格”,但没有承诺它不能复制别人。

第三方评测里那几个不那么好听的细节(本文重点)

官方录音是Block自己挑的,媒体试听才是真正的对照组。这三家的观察拼起来,指向同一个结论。

来源 观察到的 这说明了什么
The Verge(10/23) 部分对话”有点别扭、有点诡异”(a little awkward and uncanny),包括在聊Christopher Nolan时跑题到Bryan Singer的超人电影;但同时认为它比对比中的GPT-Live-1更自然 自然度是真的,但话题跑偏也是真的
第三方汇总(10/24、10/26多篇) 有一段广为流传的画面:它把说话人当成了名叫”罗纳尔多”的人,而且语气极其笃定流畅 没有文字锚定,纯语音模型会在身份信息上”流畅地错”
TechCrunch(10/24) 不清楚它的情绪表达是否由某种标签引导(steered by tags) “它真的懂情绪”还是”情绪被预设过”,外部分辨不了
CoinDesk(10/24) 模型规模、基准结果、公开发布日期均未披露 没有可比的量化口径
The Decoder “听起来有情绪”不等于”有情绪,也不等于聪明” 拟人化表现与真实理解要分开算

我觉得最值得记住的是那个”罗纳尔多”片段,它比任何成功案例都有信息量。

原因很简单:纯语音路线没有文字做锚定。它听到的是一个声音,得靠声学特征去猜”这是谁””刚才在说什么”。猜错了,它不会说”我不太确定”,它会用完全流畅自信的语气把错误讲下去。流畅但没有锚定,这是AI最老的问题——而Dessa的演示片段里同时展示了这一问题的两面:既有让人信服的自然度,也有让人后背发凉的自信错误。

推论很实用:凡是涉及身份、金额、账号的语音交互,都不能只靠声音当凭据。这跟后面讲的防骗话题直接相关。

它不是第一个纯语音模型,Block自己也承认

这点很重要,因为媒体标题写得很容易让人误以为这是史无前例。实际上纯语音训练和全双工都有前作,Block的新意在于把两者结合并且达到真人对话质量。

对比项 dGSLM(Meta,2022) Moshi(Kyutai,2024) Dessa(Block,2026)
纯语音训练 是,约2000小时Fisher对话音频,无文本 否,基于Helium这个7B文本大模型(2.1万亿token),会预测文字 是,官方称无文本无预训练
全双工对话 否,自己生成对话双方 是 是
对话连贯性 有限,能生成笑声、重叠说话、自然轮替 好 好(仅限Block自选录音)
公开了什么 论文、Fisher数据集 论文、代码、公开权重、实测延迟 6段录音

从这张表能看出差距:Moshi有论文、有开源代码、有公开权重、有实测延迟数字;Dessa目前只有录音。所以”最强”这个说法,现阶段没有任何可复核的依据。

项目负责人Ragavan Thurairatnam在X上把这次发布称作“语音领域的GPT3时刻”(”a GPT3 moment for speech”)。这是他本人的说法,不是可以验证的结果,官方也没给出任何测试数据。顺带一提这个名字的来历:Dessa 这个研究实验室由2020年被Square(现Block)收购的多伦多深度学习创业公司Dessa的前成员创办,负责人本人此前创办并出售过这家公司、还在多伦多大学讲过课——模型的名字,就是团队的来处。团队称自己”从2012年起做深度学习,八年多来一直在做生成式语音模型”,直接向多尔西汇报。

商业账:Block真正在意的可能不是模型

这是我觉得整件事里最有意思的一层。

Block旗下有Square,做小微商户支付,目前已经在用语音AI接餐厅订单(TechCrunch 报道)。对这类商户来说,语音AI的开销直接吃毛利——把”本地运行、录音不出机器、不按调用量付费”做成模型能力本身,就不是技术炫技,而是成本结构的重新设计。

Block给安全研究者的申请表单里明确说,想让他们重点测”语音智能体冒充真人”的风险场景——这也说明Block自己清楚这条路通向哪里。

最后一层:Block公开的6段录音里,最后一段是Dessa和GPT-Live-1(Block称其为ChatGPT Live)的对话。Block特别注明,录音里两个声音都是AI合成的,而且GPT-Live-1的开发者没有审阅过、也没有为Dessa背书。The Verge 认为即便如此,它在对比中仍然比GPT-Live-1更自然。

我怎么看:值得盯,但别现在就用

说点实际的判断。

值得关注的三个理由:

  • 纯语音训练如果真的work,是一条独立于”文本大模型路线”的技术分支,不是把现有路线做得更好
  • 本地运行 + 不按调用量计费,对做客服、点单、陪伴类产品的团队是成本模型的质变
  • Block主动把安全研究者的测试排在开放之前,这个顺序在语音这个最容易用于诈骗的模态上是罕见的

四个必须诚实标注的限制:

  • 它的知识全部来自对话:不能联网、不能调用工具、不能读文档。用现在的话说,它是一个声音,还不是一个助手
  • 没有基准、没有参数量、没有延迟数字,”真人感”目前只有Block自己挑的6段录音作为证据
  • 训练数据的来源、语言覆盖、授权与知情同意均未披露,外部无法评估隐私与偏见风险
  • 它会流畅地搞错(”罗纳尔多”那段),且情绪是否被标签引导尚不清楚

如果你想跟进,盯这5件事就够了:

  1. 权重和论文放不放:放了才谈得上复现,音频来源和授权说明是底线
  2. 参数量和实测延迟数字:这两个空着,”能在MacBook上跑”就只是一句无法验证的话
  3. 支持哪些语言:官方只提了英语,中文能力目前没有任何信息
  4. 安全测试结果:他们主动征召安全研究者做冒充测试,结果会不会公开
  5. 第三方基准:尤其是与Moshi这类有公开论文的模型在同一套评测下的对比

相关问题

1. 不用文本训练,模型怎么可能学会语言?
这正是这项工作的核心命题,也是最难验证的部分。声音本身携带了全部的语言信息——音高、节奏、发音、停顿都在传递语义。Block说它”从声音里学会了说话”,还给了个对比:”大语言模型需要海量文本,Dessa用少几百倍的词就学会了语言”。但目前的证据只是官方挑出来的6段录音,没有参数量、没有训练数据规模、没有基准,外界无法判断这是”真正从零学出了语言能力”,还是”在有限规模的对话语料上拟合出了对话节奏”。要等论文或权重。参考系是Moshi——它走的是”7B文本大模型打底”的路线,架构更保守但效果可验证;Dessa要证明的是纯语音这条路确实能走通。

2. Dessa现在能用吗?怎么申请?
不能。它是研究预览状态,官方只放出了等待名单和一份面向AI安全研究者的申请表单(要填机构邮箱、学校或公司证明,以及Google Scholar或博客链接)。没有API、没有权重、没有下载入口、没有价格、连公开发布日期都没给。Block的说法是后续会在X上继续放录音,发布链接”即将上线”。申请入口在官方页面上(block.xyz/dessa)。

3. 它和现有的语音助手(比如各家App里的语音通话)差在哪?
架构上的差别是根本性的。现有的语音助手底层仍然是”语音转文字、文字进大模型、文字转语音”,大模型本身看不到你的语气;Dessa是音频直接进音频直接出,中间没有文字。所以它的插话、接话、情绪反应不是”模型被要求这么做”,而是训练目标里就有的行为。但要注意,能在MacBook上本地跑和能做好复杂任务是两回事——它明确不能联网、不能调工具、不能读文档,Block也没说它会接进Square或Cash App的任何产品。

4. 纯语音模型对做客服、点单产品意味着什么?
成本结构上的变化最直接:不再按调用量计费,且录音不必上传,隐私上更好交代。Block旗下Square已经在用语音AI接餐厅订单,如果Dessa这类本地模型跑通,语音订单的毛利模型会变。但要注意时间表——现在连API都没有,Block也没宣布任何产品集成或定价,这是技术可行性验证阶段,不是可采购阶段。对做技术选型的人,真正的行动项不是等Dessa,而是现在就检查自己的语音链路是不是默认走”转文字再处理”。

5. 纯语音模型是不是诈骗和冒充的新温床?
风险是真实存在的,而且Block自己把它列为优先测试项:让安全研究者专门测”语音智能体冒充真人”。这不是假设——FBI《2025年互联网犯罪报告》首次为AI单列章节,记录了22,364起涉及AI的投诉,报告损失近8.93亿美元。诈骗手法里明确包含克隆声音冒充家人和企业高管、生成公众人物的深度伪造视频、伪造身份文件;其中仅”用克隆声音冒充亲人”的情感诈骗(distress scam)损失就超过500万美元。FBI同时提醒,实际数字很可能更高,因为受害者往往意识不到自己遇到的是AI。纯语音模型如果足够逼真,落地后的滥用门槛确实会降低——一个能在笔记本上离线运行、声音还足够像人的模型,门槛比调API低得多。Block选择先给安全研究者而不是先给大众,至少说明他们意识到这一点。这也是我对这个发布最欣赏的地方:顺序是对的。

6. 那普通人现在该怎么做防骗?
这可能是最实用的一问。几条能立刻用的:遇到”熟人”在电话里要钱,挂断,用通讯录里已存的号码打回去——不要用对方刚给的号码;和家人约定一个暗号,涉及转账、验证码、账户操作时必须对暗号;任何声音都不构成身份凭证,付款请求一律走另一条已验证的渠道确认;警惕语气里的紧迫感,FBI给的建议就一句”Take a Beat”——慢下来,别在压力下行动。技术层面Dessa能不能被滥用还没有定论,但这些习惯对现有的声音克隆诈骗同样有效。

7. 它是”语音版GPT-3时刻”吗?
现在下结论太早。GPT-3时刻有明确的、可复核的规模化效应证据(虽然它当年也没直接给基准,但后续被无数人验证)。Dessa目前只有厂商自选录音,参数量、数据时长、延迟、基准全是空白,公开日期也没有。更准确的定位是:一条技术分支的方向性信号,而不是能力宣告。等论文、权重和第三方评测出来再判断不迟。

📚 参考信源:

1. Block 官方发布页(Dessa 项目页:训练主张、算力规格、运行硬件、官方原话、等待名单与安全研究者申请入口、团队名单) – (https://block.xyz/dessa)

2. Jack Dorsey 发布公告(2026年10月23日,X) – (https://x.com/jack/status/2113697902916751661)

3. Ragavan Thurairatnam 发布公告(”a GPT3 moment for speech”,2026年10月23日,X) – (https://x.com/RagavanThurair)

4. The Hype:Block’s Dessa runs on a MacBook and learned to talk without text(逐条核对官方发布页,整理”公开了什么/没公开什么”对照表、6段录音时长 1:52 到 4:57、dGSLM 与 Moshi 对比表、团队沿革) – (https://thehype.news/block-dessa-speech-only-voice-model/)

5. Cryptopolitan(TechCrunch 报道转载):Dorsey’s Block trains Dessa on speech alone with one Nvidia rack(官方推文原文、6段录音中的具体表现、”声音比文字占字节多上千倍”的技术说明、等待名单与早期访问状态) – (https://www.cryptopolitan.com/block-trains-dessa-speech-alone-nvidia-rack)

6. Industry Pulse(TechCrunch 报道转载):Block Unveils Dessa Speech Model Capable of Emotional Expressiveness and Local Processing(引述 TechCrunch 对 Square 已用语音AI接单、用自有本地模型可降低成本的判断) – (https://industrypulse.media/news/tc-blocks-new-voice-model-sounds-eerily-human-1gzgp9n)

7. ToolPilotPro:Block’s Dessa Is Here: Voice AI Trained Only on Human Speech(汇总 The Verge “有点别扭、有点诡异”的评测、跑题到 Bryan Singer 超人电影、”罗纳尔多”误认片段、负责人此前创办并出售 Dessa 的背景、团队成员名单) – (https://toolpilotpro.com/block-dessa-voice-ai-guide)

8. AI Era:Block Dessa Voice Model: The Speech-Only AI That Learned by Listening(The Verge 评测的引用、”把说话人误认为罗纳尔多”、未发布事项清单) – (https://aiera.blog/?p=2272)

9. Press Report:AI Voices Now Laugh And Interrupt. Why That’s Not Proof Of Anything(整理 TechCrunch 与 CoinDesk 10月24日报道、The Verge 10月23日报道的逐条出处,以及”听起来有情绪不等于有情绪”的判断) – (https://press-report.net/ai-news/ai-security/ai-voices-now-laugh-and-interrupt-why-that-s-not-proof-of-anything)

10. Thorsten Meyer AI:Block’s Dessa Voice AI: Why a Human Voice Is No Longer Proof(The Verge 与 TechCrunch 引文原句、CoinDesk 披露口径、FBI 2025年报告数据、10月26日仍未公开的事项清单) – (https://thorstenmeyerai.com/reality-check/block-dessa-voice-ai-human-scam-risk)

11. FBI 新闻稿:Cryptocurrency and AI Scams Bilk Americans of Billions(2025年互联网犯罪报告官方口径:22,364起涉AI投诉、近8.93亿美元损失、声音克隆冒充家人与企业高管、情感诈骗超500万美元损失、1,008,597起总投诉) – (https://www.fbi.gov/news/press-releases/cryptocurrency-and-ai-scams-bilk-americans-of-billions)

12. 新浪财经:Block做了个只学人声的语音模型,一台MacBook就能跑(中文报道,含”语音领域的GPT-3时刻”表述来源、Square 语音接单与成本结构分析、官方未公布项的中文梳理) – (https://finance.sina.com.cn/tech/roll/2026-10-25/doc-iniwmpav6474247.shtml)

13. Moshi: a speech-text foundation model for real-time dialogue(Kyutai,arXiv,公开的架构与实测延迟数据) – (https://arxiv.org/abs/2410.00037)

14. Generative spoken dialogue language modeling(Meta AI,arXiv,dGSLM 与 Fisher 数据集) – (https://arxiv.org/abs/2203.16502)

引用总结:本文的训练主张、算力规格、运行硬件、官方原话与团队信息均引自Block官方发布页及负责人公开声明,并已直接抓取官方页面逐条核对;”公开了什么、没公开什么”对照表、6段录音时长与 dGSLM、Moshi 的对比数据来自 The Hype 对官方发布页的逐条核对,以及两篇 arXiv 论文公开的架构与延迟数据。Square 已用语音AI接单、The Verge 的”有点别扭、有点诡异”评测与跑题细节、TechCrunch 关于情绪标签机制存疑的判断、CoinDesk 关于规模与发布日期未披露的口径、”罗纳尔多”误认片段,均为第三方报道的转述,Block 未就该项单独回应;本文引用这些片段时已注明它们是对公开录音的试听观察,而非独立测试结论。延迟部分,官方未公布Dessa自身的任何延迟数字,本文仅以 Moshi 论文公开的实测延迟作为人类对话节奏的参照量级,不以第三方估算替代官方指标。风险与诈骗数据全部引自FBI官方新闻稿;需说明这些数字描述的是已报告的涉AI投诉与损失,不代表Dessa被用于过任何欺诈,也不构成对该模型安全性的证明。所有能力判断均标注为厂商自述或第三方转述,截至发稿无第三方复现结果。